Spaces:
Sleeping
Sleeping
File size: 2,116 Bytes
4753750 b98e93a 2d0e3a4 c9f2a7e 059661d 2d0e3a4 b787b27 059661d 541ebb9 d29c02d 2d0e3a4 095c375 2d0e3a4 b787b27 2d0e3a4 b787b27 2d0e3a4 b787b27 b91cfcd b6d2c3d b966b87 b91cfcd 109411a 63dba06 109411a 63dba06 109411a b91cfcd 63dba06 b91cfcd |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 |
import streamlit as st
import pandas as pd
from transformers import pipeline
import numpy as np
# Chargement du dataframe
df = pd.read_csv("Comments.csv")
#recup des comments en liste
comments = df["Comment"].tolist()
st.header("Analyse de Texte ")
# Create a selectbox to choose a comment
selected_comment = st.selectbox("Veuiller selelctionner un commentaire", comments)
# Display the selected comment in the text input
text = st.text_input('Entrer le texte à analyser', value=selected_comment)
# Labels candidats pour la classification
candidate_labels = ["commentaire positive", "commentaire négative"]
# Modèle de phrase pour la formation de l'hypothèse
hypothesis_template = "Cet exemple est un {}."
# Create the classifier pipeline
classifier = pipeline("zero-shot-classification", model="morit/french_xlm_xnli")
# Exécution de la classification seulement si du texte est entré
if text and candidate_labels: # Vérifier si du texte et au moins une étiquette sont présents
result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
else:
st.write("Veuillez entrer du texte pour l'analyse.")
image1 = "toph1.png"
st.text("\n \n \n")
st.markdown("**Differentes Process pour l'analyse de sentiments**")
st.image(image1, caption="Workflow analyse de sentiment", use_column_width=True)
st.text("\n \n \n")
st.header("**Comment ça marche**")
st.text("\n \n \n")
st.markdown("1. Recuperation des EAEs")
st.markdown("3. Traitement des entretiens")
st.text("Separations en 2 ensembles Train pour entrainer notre modele et Test les données pour evaluer notre modele")
st.markdown("2. Analyse exploratoire des données")
st.markdown("4. Comparaison de plusieurs modeles de Machne Learning pour choisir notre modele")
st.markdown("5. Evaluation du modele choisi")
st.markdown("6. Mise en production du modele choisi")
image2 = "nlp.PNG"
st.text("\n \n \n")
st.markdown("**Workflow**")
st.image(image2, caption="Workflow analyse de sentiment", use_column_width=True) |